关键词：

　最小二乘法是用来做函数拟合或者求函数极值的方法。在机器学习，尤其是回归模型中，经常可以看到最小二乘法的身影，这里就对我对最小二乘法的认知做一个小结。

1.最小二乘法的原理与要解决的问题　

　　　　最小二乘法是由勒让德在19世纪发现的，原理的一般形式很简单，当然发现的过程是非常艰难的。形式如下式：

　　　　　　目标函数 = Σ（观测值-理论值）²

　　　　观测值就是我们的多组样本，理论值就是我们的假设拟合函数。目标函数也就是在机器学习中常说的损失函数，我们的目标是得到使目标函数最小化时候的拟合函数的模型。举一个最简单的线性回归的简单例子，比如我们有m个只有一个特征的样本：

　　　　(x(1),y(1)),(x(2),y(2),...(x(m),y(m))(x(1),y(1)),(x(2),y(2),...(x(m),y(m))

　　　　样本采用下面的拟合函数：

　　　　hθ(x)=θ0+θ1xhθ(x)=θ0+θ1x

　　　　这样我们的样本有一个特征x，对应的拟合函数有两个参数θ0和θ1θ0和θ1需要求出。

　　　　我们的目标函数为：

　　　　J(θ0,θ1)=∑i=1m(y(i)?hθ(x(i))2=∑i=1m(y(i)?θ0?θ1x(i))2J(θ0,θ1)=∑i=1m(y(i)?hθ(x(i))2=∑i=1m(y(i)?θ0?θ1x(i))2　

　　　　用最小二乘法做什么呢，使J(θ0,θ1)J(θ0,θ1)最小，求出使J(θ0,θ1)J(θ0,θ1)最小时的θ0和θ1θ0和θ1，这样拟合函数就得出了。

　　　　那么，最小二乘法怎么才能使J(θ0,θ1)J(θ0,θ1)最小呢？

2.最小二乘法的代数法解法

　　　　上面提到要使J(θ0,θ1)J(θ0,θ1)最小，方法就是对θ0和θ1θ0和θ1分别来求偏导数，令偏导数为0，得到一个关于θ0和θ1θ0和θ1的二元方程组。求解这个二元方程组，就可以得到θ0和θ1θ0和θ1的值。下面我们具体看看过程。

　　　　J(θ0,θ1)对θ0J(θ0,θ1)对θ0求导，得到如下方程：

　　　　∑i=1m(y(i)?θ0?θ1x(i))=0∑i=1m(y(i)?θ0?θ1x(i))=0                                  ①

　　　　J(θ0,θ1)对θ1J(θ0,θ1)对θ1求导，得到如下方程：

　　　　∑i=1m(y(i)?θ0?θ1x(i))x(i)=0∑i=1m(y(i)?θ0?θ1x(i))x(i)=0　　　　　　　　 ②

　　　　①和②组成一个二元一次方程组，容易求出θ0和θ1θ0和θ1的值：

　　　　

　　　　θ0=∑i=1m(x(i))2∑i=1my(i)?∑i=1mx(i)∑i=1mx(i)y(i)/n∑i=1m(x(i))2?(∑i=1mx(i))2θ0=∑i=1m(x(i))2∑i=1my(i)?∑i=1mx(i)∑i=1mx(i)y(i)/n∑i=1m(x(i))2?(∑i=1mx(i))2

 

　　　　θ1=n∑i=1mx(i)y(i)?∑i=1mx(i)∑i=1my(i)/n∑i=1m(x(i))2?(∑i=1mx(i))2θ1=n∑i=1mx(i)y(i)?∑i=1mx(i)∑i=1my(i)/n∑i=1m(x(i))2?(∑i=1mx(i))2

 

　　　　这个方法很容易推广到多个样本特征的线性拟合。

　　　　拟合函数表示为 hθ(x1,x2,...xn)=θ0+θ1x1+...+θnxnhθ(x1,x2,...xn)=θ0+θ1x1+...+θnxn, 其中θiθi (i = 0,1,2... n)为模型参数，xixi (i = 0,1,2... n)为每个样本的n个特征值。这个表示可以简化，我们增加一个特征x0=1x0=1，这样拟合函数表示为：

　　　　hθ(x0,x1,...xn)=∑i=0nθixihθ(x0,x1,...xn)=∑i=0nθixi。

　　　　损失函数表示为：

           J(θ0,θ1...,θn)=∑j=1m(hθ(x(j)0),x(j)1,...x(j)n))?y(j)))2=∑j=1m(∑i=0nθix(j)i?y(j))2J(θ0,θ1...,θn)=∑j=1m(hθ(x0(j)),x1(j),...xn(j)))?y(j)))2=∑j=1m(∑i=0nθixi(j)?y(j))2

　　　　利用损失函数分别对θiθi(i=0,1,...n)求导,并令导数为0可得：

　　　　∑j=0m(∑i=0nθix(j)i?yj)xji∑j=0m(∑i=0nθixi(j)?yj)xij = 0   (i=0,1,...n)

　　　　这样我们得到一个N+1元一次方程组，这个方程组有N+1个方程，求解这个方程，就可以得到所有的N+1个未知的θθ。

　　　　

　　　　这个方法很容易推广到多个样本特征的非线性拟合。原理和上面的一样，都是用损失函数对各个参数求导取0，然后求解方程组得到参数值。这里就不累述了。

 

3.最小二乘法的矩阵法解法

　　　　矩阵法比代数法要简洁，且矩阵运算可以取代循环，所以现在很多书和机器学习库都是用的矩阵法来做最小二乘法。

　　　　这里用上面的多元线性回归例子来描述矩阵法解法。

　　　　

　　　　假设函数hθ(x1,x2,...xn)=θ0+θ1x1+...+θnxnhθ(x1,x2,...xn)=θ0+θ1x1+...+θnxn的矩阵表达方式为：

　　　　　hθ(x)=Xθhθ(x)=Xθ 

　　　　其中， 假设函数hθ(X)hθ(X)为mx1的向量,θθ为nx1的向量，里面有n个代数法的模型参数。XX为mxn维的矩阵。m代表样本的个数，n代表样本的特征数。

　　　　损失函数定义为J(θ)=12(Xθ?Y)T(Xθ?Y)J(θ)=12(Xθ?Y)T(Xθ?Y)

　　　　其中YY是样本的输出向量，维度为mx1. 1212在这主要是为了求导后系数为1，方便计算。

　　　　根据最小二乘法的原理，我们要对这个损失函数对θθ向量求导取0。结果如下式：

　　　　??θJ(θ)=XT(Xθ?Y)=0??θJ(θ)=XT(Xθ?Y)=0

　　　　这里面用到了矩阵求导链式法则，和两个矩阵求导的公式。

　　　　　　公式1：??X(XXT)=2X??X(XXT)=2X

　　　　　　公式2：??θ(Xθ)=XT??θ(Xθ)=XT

　　　　对上述求导等式整理后可得：

　　　　XTXθ=XTYXTXθ=XTY

　　　　两边同时左乘(XTX)?1(XTX)?1可得：

　　　　θ=(XTX)?1XTYθ=(XTX)?1XTY

　　　　这样我们就一下子求出了θθ向量表达式的公式，免去了代数法一个个去求导的麻烦。只要给了数据,我们就可以用θ=(XTX)?1XTYθ=(XTX)?1XTY算出θθ。

 

4.最小二乘法的局限性和适用场景　　

　　　　从上面可以看出，最小二乘法适用简洁高效，比梯度下降这样的迭代法似乎方便很多。但是这里我们就聊聊最小二乘法的局限性。

　　　　首先，最小二乘法需要计算XTXXTX的逆矩阵，有可能它的逆矩阵不存在，这样就没有办法直接用最小二乘法了，此时梯度下降法仍然可以使用。当然，我们可以通过对样本数据进行整理，去掉冗余特征。让XTXXTX的行列式不为0，然后继续使用最小二乘法。

　　　　第二，当样本特征n非常的大的时候，计算XTXXTX的逆矩阵是一个非常耗时的工作（nxn的矩阵求逆），甚至不可行。此时以梯度下降为代表的迭代法仍然可以使用。那这个n到底多大就不适合最小二乘法呢？如果你没有很多的分布式大数据计算资源，建议超过10000个特征就用迭代法吧。或者通过主成分分析降低特征的维度后再用最小二乘法。

　　　　第三，如果拟合函数不是线性的，这时无法使用最小二乘法，需要通过一些技巧转化为线性才能使用，此时梯度下降仍然可以用。

　　　　第四，讲一些特殊情况。当样本量m很少，小于特征数n的时候，这时拟合方程是欠定的，常用的优化方法都无法去拟合数据。当样本量m等于特征说n的时候，用方程组求解就可以了。当m大于n时，拟合方程是超定的，也就是我们常用与最小二乘法的场景了。

最小二乘法小结

　最小二乘法是用来做函数拟合或者求函数极值的方法。在机器学习，尤其是回归模型中，经常可以看到最小二乘法的身影，这里就对我对最小二乘法的认知做一个小结。1.最小二乘法的原理与要解决的问题　　　　　最小二乘... 查看详情

理解最小二乘法

最小二乘法辨识  最小二乘法-矩阵求导求解  最小二乘法的一般形式和矩阵形式原理推导和代码实现 查看详情

机器学习-最小二乘法

最小二乘法是机器学习中的基础知识点，一致对最小二乘法的理解不够深入，今天就花点时间来深入理解和探讨一下最小二乘法最小二乘法，又称最小平方法，基本公式通俗来讲，二者先取个差值，在来个平方，最后搞一个和号... 查看详情

最小二乘法

最小二乘法 最小化误差的平方。对于式子，y(i)是真值，ax(i)-b是预测值。将两者差的平方和最小化，就是最小二乘法解决的问题。x_bar：x向量对应的均值推导过程： 查看详情

最小二乘法

目录最小二乘法 不同厂家的尺子的生产精度不同尺子材质不同，热胀冷缩不一样测量的时候心情起伏不定这样做有道理吗？用调和平均数行不行？用中位数行不行？用几何平均数行不行？最小二乘法 查看详情

机器学习-最小二乘法

...。追本溯源，从“Logistic回归”到“线性回归”，再到“最小二乘法”。最终定格到了《高等数学》（第六版·下册）第九章第10节“最小二乘法”，这才了解到最小二乘法背后的数学原理出自哪里。“最小二乘法”是最优化问题... 查看详情

算法#03--具体解释最小二乘法原理和代码

最小二乘法原理最小二乘法的目标：求误差的最小平方和，相应有两种：线性和非线性。线性最小二乘的解是closed-form（例如以下文），而非线性最小二乘没有closed-form，通经常使用迭代法求解（如高斯牛顿迭代法，本文不作介... 查看详情

最小二乘法（leastsquares）简介

 原文链接：最小二乘法(LeastSquares)简介最小二乘法（LeastSquares）详细介绍|数据学习者官方网站(Datalearner)  最小二乘法（LeastSquares）是回归分析中的一种标准方法，它是用来近似超定系统（OverdeterminedS... 查看详情

最小二乘法，了解一下？

摘要：最小二乘法是一种在误差估计、不确定度、系统辨识及预测、预报等数据处理诸多学科领域得到广泛应用的数学工具。最小二乘很简单，也在业界得到了广泛使用。本文分享自华为云社区《最小二乘法介绍》，... 查看详情

线性回归——最小二乘法

...ession），本篇文章详细将讲解单变量线性回归并写出使用最小二乘法（leastsquaresmethod）来求线性回归损失函数最优解的完整过程，首先推导出最小二乘法，后用最小二乘法对一个简单数据集进行线性回归拟合；线性回归　　线性... 查看详情

最小二乘法

最小二乘法（又称最小平方法）是一种数学优化技术。它通过最小化误差的平方和寻找数据的最佳函数匹配。利用最小二乘法可以简便地求得未知的数据，并使得这些求得的数据与实际数据之间误差的平方和为最小。最小二乘法... 查看详情

浅谈最小二乘法

参考技术A最小二乘法是回归分析的一种标准方法，它通过最小化每个方程式结果中的残差平方和来近似超定系统（方程组多于未知数的方程组）。回归分析（regressionanalysis)指的是确定两种或两种以上变量间相互依赖的定量关系... 查看详情

最小二乘法

理解：最小：理论值和观测值之差的平方和最小。高斯于1823年在误差e1,…,en独立同分布的假定下,证明了最小二乘方法的一个最优性质:在所有无偏的线性估计类中,最小二乘方法是其中方差最小的！现行的最小二乘法是勒让德... 查看详情

加权最小二乘法的权重形式

加权最小二乘法的权重形式？加权最小二乘法采用指数权数W，0以直线模型为例，其加权的剩余平方和为：对上式分别求a和b的偏导数，得到标准方程组：对上述方程解出a和b，就得到加权最小二乘法直线模型。应用加权最小二乘... 查看详情

什么是加权最小二乘法,它可以解决什么问题？

着急！请会的人迅速回复，用来答选择提的，不需要太长最小二乘法是一种数学优化技术，它通过最小化误差的平方和找到一组数据的最佳函数匹配。　　最小二乘法是用最简的方法求得一些绝对不可知的真值，而令误差平方之... 查看详情

最小二乘法求线性回归方程的公式是啥？

参考技术A最小二乘法求线性回归方程为a=y(平均)-b*x（平均）。最小二乘法公式是一个数学的公式，在数学上称为曲线拟合，此处所讲最小二乘法，专指线性回归方程！最小二乘法公式为a=y(平均)-b*x（平均）。最小二乘法（又称... 查看详情

最小二乘法及其python实现(代码片段)

最小二乘法LeastSquareMethod，做为分类回归算法的基础，有着悠久的历史（由马里·勒让德于1806年提出）。它通过最小化误差的平方和寻找数据的最佳函数匹配。利用最小二乘法可以简便地求得未知的数据，并使... 查看详情

基于ls最小二乘法的无线定位matlab仿真(代码片段)

...理论基础二、核心程序三、测试结果一、理论基础    最小二乘法（又称最小平方法）是一种数学优化技术。它通过最小化误差的平方和寻找数据的最佳函数匹配。利用最小二乘法可以简便地求得未知的数据，并使... 查看详情